https://github.com/ilovenooodles/feed-forward-neural-network
Tugas Besar Machine Learning Bagian A
https://github.com/ilovenooodles/feed-forward-neural-network
feed-forward-neural-networks ipynb-jupyter-notebook machine-learning
Last synced: 3 months ago
JSON representation
Tugas Besar Machine Learning Bagian A
- Host: GitHub
- URL: https://github.com/ilovenooodles/feed-forward-neural-network
- Owner: IloveNooodles
- Created: 2023-03-13T04:41:31.000Z (about 2 years ago)
- Default Branch: main
- Last Pushed: 2023-05-03T11:19:32.000Z (about 2 years ago)
- Last Synced: 2025-01-12T17:09:41.644Z (4 months ago)
- Topics: feed-forward-neural-networks, ipynb-jupyter-notebook, machine-learning
- Language: Jupyter Notebook
- Homepage:
- Size: 284 KB
- Stars: 0
- Watchers: 3
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# Implementasi Forward Propagation untuk Feed Forward Neural Network
Tugas Besar Machine Learning Bagian A
Anggota Kelompok:
- 13520001 - Fayza Nadia
- 13520014 - Muhammad Helmi Hibatullah
- 13520026 - Muhammad Fajar Ramadhan
- 13520029 - Muhammad Garebaldhie Er Rahman
## Implemented class and funcitons
1.
## Library used
1. numpy
2. graphviz for visualization
## Model
Model yang dibuat menggunakan format seperti berikut
file `sigmoid.json`
```json
{
"layers": 2,
"activation_functions": ["sigmoid"],
"neurons": [2, 3],
"weights": [
[
[0.4, 0.2, 0.1],
[0.2, 0.4, 0.2],
[0.1, 0.2, 0.4]
]
],
"rows": 1,
"data_names": ["x1", "x2"],
"data": [[0.2, 0.4]],
"target_names": ["false", "true"],
"target": [[0.617747, 0.58904, 0.574442]],
"max_sse": 0.000001
}
```
`layers`: berisi banyaknya layer pada ffnn. Input layer merupakan layer sehingga perlu dimasukan juga ke dalam array neurons
`activation_functions`: memiliki jumlah `layers - 1` karena activation functions menghubungkan dari layer ke layer. Activation functions yang valid berupa `sigmoid`, `relu`, `linear`, dan `softmax`
`neurons`: berisi banyaknya neurons pada setiap layers
`weights`: weights berisi bobot yang menghubungkan setiap layer. Weights harus memiliki panjang `layers - 1`.
- dimensi 1 merupakan array yang menyimpan weights dari setiap layer
- dimensi 2 merupakan array yang menyimpan weights dari setiap neuron. Misal layer berikutnya ialah `y`, index ke 0 artinya bobot untuk `y1`, index 1 untuk `y2` dan index 2 untuk `y3`
- dimensi 3 merupakan array yang menyimpan bobot dari suatu neuron dimulai dari bias. `[0.4, 0.2, 0.1]` berarti 0.4 adalah bias, 0.2 merupakan bobot `x1` dan 0.1 merupakan bobot `x2`
`rows`: merupakan panjang array data yang diberikan
`data_names`: merupakan nama attribut dari data yang diberikan
`data`: merupakan input yang akan di prediksi
`target_names`: merupakan hasil kelas prediksi yang menyatakan klasifikasi biner
`target`: merupakan hasil output dari FFNN
`max_sse`: merupakan max squared sum error yang ditoleransi
## Visualization
## How to Run
### Local
1. Create virtualenv by using `virtualenv venv`
2. Activate virtualenv
1. Windows: `./venv/Scripts/activate`
2. Unix: `source ./venv/bin/activate`
3. Install all the dependencies `pip install -r requirements.txt`
4. Run the main program `python main.py`
### ipynb
1. Use `google colab`, `jupyter` or `jupyter for vscode` for opening ipynb files
2. Run all the celss